北京深睿博联科技有限责任公司校招科研合作岗面试经验——求职精灵（finsight.work）

物理基础：X 射线穿透人体不同组织发生不同程度衰减，探测器接收衰减后的 X 射线信号并转换成投影数据，再利用不同组织的衰减差异重建得到断层灰度图像，灰度对应 CT 值，用以区分不同组织密度。重建算法分两大类：①解析重建——代表是 FBP 滤波反投影，速度快，但低剂量条件下噪声伪影明显，是传统 CT 的主流；②迭代重建——代表是 MBIR 基于模型迭代重建，抗噪声、伪影抑制效果好，但计算量大、耗时更长。现在也有深度学习重建算法（CNN、GAN）做后处理重建降噪。

影像组学是从医学 CT/MRI 等影像中高通量提取大量人工设计的定量特征（纹理、形状、灰度统计），结合临床、病理、基因数据，用统计/机器学习模型，用于病灶良恶性判别、预后预测、疗效评估，把影像图片转成可计算的数据特征。

CT：X 射线衰减投影；影响因素包括管电压、管电流、层厚、重建算法、噪声、散射伪影。MRI：人体氢原子核在磁场下共振弛豫信号；影响因素包括磁场均匀度、TR/TE 参数、信噪比、运动伪影。超声：超声波反射回波；影响因素包括探头频率、声阻抗、增益，以及运动、气体干扰。

模拟信号：连续时间连续幅值，硬件直接采集，易受噪声干扰、抗干扰弱；数字信号：经过 ADC 模数转换、离散采样，抗干扰强，方便计算机存储与算法处理。选型上，原始生理信号采集前端保留模拟通路做滤波放大，后续全部转为数字信号交由计算机处理分析。

以安全为第一优先级，不能为了精度牺牲安全；在满足法规安全的前提下权衡精度与成本：优先选用成熟元器件保障长期稳定性，通过仿真、多轮验证测试迭代，在可控成本区间实现指标；同时遵从医疗器械 ISO13485 流程，做风险分析，识别风险点并做防护。

CNN 卷积神经网络：依靠卷积核提取局部空间特征；优点是参数量小、擅长图像局部纹理，缺点是全局长距离依赖捕捉弱；应用于医学图像分割、病灶检测。Transformer：依靠注意力机制捕捉全局依赖；优点是全局信息建模强，缺点是计算量大；应用于 3D 医学影像、多模态影像。GAN 生成对抗网络：生成器＋判别器对抗训练；优点是生成逼真图像，缺点是训练不稳定、模式崩溃；应用于医学图像重建、数据增广。Diffusion 扩散模型：逐步加噪再去噪生成图像；优点是生成质量高、训练稳定，缺点是推理慢；应用于低剂量 CT 重建、医学影像合成、数据增强。

①Diffusion 训练更稳定，不容易出现 GAN 常见的模式崩溃与梯度消失；②生成图像细节质量更高；③更容易加入条件控制，适配医学影像的条件生成。缺点是推理步骤多、速度慢，可通过潜变量扩散（LDM）加速推理。

将 Q/K/V 切分为多组子头，每组独立做自注意力计算，最后拼接融合结果；多头可以同时捕捉不同维度、不同位置的特征关联。参数量层面，多头并没有显著增加参数量；但计算量会上升，带来一定计算复杂度开销。

①使用潜变量扩散（LDM），不在原始像素空间运算，压缩到隐空间；②推理采样步数裁剪，使用加速采样器；③混合精度训练；④模型蒸馏，蒸馏出小的快速推理模型。

分类：整张图像输出类别标签。目标检测：找出目标位置包围框＋类别。语义分割：像素级别划分类别，同类物体不区分个体。实例分割：像素分割，同时区分每一个独立物体个体。

浅拷贝：复制容器外壳，内部元素共用同一份引用；修改嵌套对象时原对象会同步改变；适合一维简单对象。深拷贝：完全递归复制全部嵌套对象，完全独立，修改互不影响；适合嵌套复杂数据结构，代价是内存开销更大。

PyTorch 动态计算图：运行时构建图，调试方便，代码直观灵活；TensorFlow 静态图：先定义完整计算图再执行，编译优化，推理部署性能更强。

①前期对接：和放射科医生沟通，明确临床需求、病灶定义、评价指标，并查阅领域文献；②数据阶段：对接医院获取脱敏 CT 数据，制定标注规范、由医生标注，做数据集质控并划分训练/验证/测试集；③模型阶段：选择适配的 3D 医学分割模型，做数据预处理与训练调参；④验证评估：多维度指标评估，医生参与结果复核；⑤临床验证：开展回顾性测试，分析模型效果并迭代优化；⑥文档输出，评估落地可行性。

①对齐业务目标，和临床医生沟通明确真实临床痛点，确认输出指标；②梳理相关文献，了解领域现有方案；③评估现有数据资源，判断数据缺口；④设计方案，小样本先行验证；⑤迭代，同步向医生反馈中间结果，根据临床反馈修正。

即使面试官不问简历，也要提前准备 2—3 个项目，按「背景—任务—自己行动—难点—解决方案—最终结果」组织。重点准备医学影像处理、AI 模型、统计分析相关项目；要清楚每一步为什么选用该算法/统计方法、优缺点是什么。

单因素：只考察一个自变量对结局的影响，不校正混杂因素，适合初步筛选候选变量。多因素：同时纳入多个自变量，校正混杂干扰，识别独立影响因子。项目常用流程是先用单因素筛选有统计学意义的候选变量，再放入多因素模型排除混杂，得到独立影响因素——这是临床回顾性研究的标准流程。

生存分析专门处理带删失（随访未到终点）的时间—结局数据：①Kaplan-Meier 法——绘制生存曲线，描述生存随时间变化；②Log-rank 检验——生存曲线组间对比，属于单因素方法；③Cox 比例风险回归模型——多因素生存分析，校正混杂、输出风险比 HR，最常用。使用注意：Cox 需要检验比例风险假设，假设不成立时改用其他模型。

评价维度：样本量、标注质量、数据多样性（多中心、设备、病种）、隐私合规、标签一致性。数据常见问题：缺失值、标注不一致、类别不平衡；处理方式是缺失值做缺失分析后删除或填充，标注要医生复核，样本不均衡做重采样、损失加权。

答题要点：学历/专业背景 → 课程、项目/毕设重点（影像、统计、AI）→ 匹配岗位的能力 → 求职动机，控制在 1—2 分钟。

该岗位偏向统计＋机器学习＋医学影像科研，需要主动跟进前沿统计算法，并和医院开展科研项目。参考思路：我的生物医学工程背景掌握医学影像、基础统计、深度学习，做过 XX 项目，具备和临床对接的思维；同时客观说明短板，表达愿意跟进前沿方法。

可问：①这个岗位的日常工作内容是什么？项目对接模式是怎样的？②团队目前重点研究方向是什么？另外可请教面试官对自己今天表现的建议。